AI tìm ra vị trí không cần GPS? Định vị hình ảnh hoạt động như thế nào

AI tìm ra vị trí không cần GPS? Một nghiên cứu từ McAfee công bố vào ngày 16 tháng 8 năm 2026 cho thấy các mô hình thị giác đa phương thức có thể xác định vị trí địa lý của ảnh lên tới 91% các trường hợp ngay cả sau khi siêu dữ liệu GPS EXIF, thẻ vị trí và tên tệp mô tả đã bị xóa. Bằng cách phân tích các đặc điểm môi trường như kiến trúc, địa hình, biển báo, thảm thực vật và ánh sáng, các mô hình mã nguồn mở như Gemma 3 27B của Google và Qwen 3 VL 30B của Alibaba có thể xác định chính xác vị trí chỉ từ các manh mối hình ảnh ở cấp độ điểm ảnh. Nghiên cứu này chỉ ra rằng việc xóa siêu dữ liệu của tệp loại bỏ các thẻ tọa độ trực tiếp, nhưng không ngăn được các mô hình suy ra bối cảnh vị trí trực tiếp từ nội dung hình ảnh.

Bối cảnh: Sự tiến hóa của định vị địa lý bằng hình ảnh

Tổng quan nhanh

• McAfee đã thử nghiệm 21.236 hình ảnh du lịch trên các mô hình đa phương thức mã nguồn mở, đạt tỷ lệ chính xác 87% với Gemma 3 27B và 91% với Qwen 3 VL 30B.

• Các mô hình được thử nghiệm đã xác định vị trí mà không dựa vào thẻ GPS EXIF, thay vào đó chúng đánh giá các chỉ báo trực quan vật lý như kiến trúc, vạch kẻ đường, đường chân trời, mặt tiền cửa hàng và góc bóng đổ.

• Các hệ thống sản xuất có thể mở rộng các mô hình thị giác bằng các công cụ bản đồ bên ngoài để xác minh các giả thuyết địa lý dựa trên dữ liệu bản đồ thực tế.

Trong nhiều năm qua, hướng dẫn về quyền riêng tư kỹ thuật số đã nhấn mạnh việc vệ sinh siêu dữ liệu, bao gồm cả việc xóa thông tin GPS được nhúng khỏi ảnh trước khi xuất bản. Người dùng, những người ủng hộ quyền riêng tư và các nhóm bảo mật được khuyến khích loại bỏ siêu dữ liệu Định dạng Tệp Hình ảnh Có thể trao đổi (EXIF) khỏi các bức ảnh trước khi đăng tải trực tuyến. Lô-gic phổ biến cho rằng việc xóa tọa độ GPS được nhúng, số sê-ri của máy ảnh và dấu thời gian chụp sẽ giúp bức ảnh trở nên ẩn danh, ngăn cản các bên thứ ba xác định nơi bức ảnh được chụp.

Tuy nhiên, sự tiến bộ nhanh chóng của các Mô hình Thị giác-Ngôn ngữ (VLM) đa phương thức đã làm thay đổi ranh giới của quyền riêng tư vị trí. Trong nghiên cứu của McAfee, các nhà nghiên cứu đã đánh giá 21.236 hình ảnh du lịch đã được xóa hoàn toàn dữ liệu EXIF, thẻ vị trí và tên tệp mô tả. Khi được cung cấp các tệp hình ảnh thuần túy, Gemma 3 27B của Google đã xác định chính xác thành phố và quốc gia trong 87% trường hợp, trong khi Qwen 3 VL 30B của Alibaba đạt tỷ lệ chính xác 91%.

Các mô hình này xác định vị trí bằng cách diễn giải bối cảnh môi trường tinh tế được nhúng trực tiếp trong các điểm ảnh. Ngoài các di tích nổi bật, các hệ thống này còn đánh giá biển báo cửa hàng, tiêu chuẩn sơn vạch đường, phong cách kiến trúc, các loài thực vật, độ cao của mặt trời và hướng bóng đổ. Trong các bài kiểm tra chuẩn, các mô hình đã xác định chính xác các vị trí từ các địa danh quốc tế lớn đến các ngôi làng ngoại ô cụ thể — chẳng hạn như xác định bờ sông ở Hastings-on-Hudson, New York, hoặc nhận ra khu vườn Keukenhof ở Hà Lan thông qua các mẫu sắp xếp hoa cụ thể.

Phân tích chuyên sâu kỹ thuật & Cơ chế hoạt động của định vị địa lý hình ảnh

Các hệ thống định vị địa lý hình ảnh hiện đại thường sử dụng các mô hình thị giác-ngôn ngữ đa phương thức để ánh xạ các đặc điểm hình ảnh thành các giả thuyết địa lý. Nền tảng lý thuyết được xây dựng dựa trên nghiên cứu định vị địa lý tạo sinh, chẳng hạn như phương pháp được phác thảo trong Vòng quanh thế giới trong 80 bước thời gian: Tiếp cận tạo sinh đối với định vị địa lý hình ảnh toàn cầu, mô hình hóa tọa độ địa lý trực tiếp từ các embedding hình ảnh.

Trong khi các tiêu chuẩn nghiên cứu kiểm tra suy luận trực tiếp không cần huấn luyện (zero-shot), các hệ thống định vị địa lý hình ảnh cấp độ sản xuất có thể mở rộng quá trình này bằng cách kết hợp các mô hình thị giác với API bản đồ và vệ tinh bên ngoài để xác minh các vị trí ứng cử viên dựa trên các tài liệu tham khảo thực tế.

Kiến trúc định vị địa lý sản xuất

Trong các công cụ tìm kiếm hình ảnh thực tế, quá trình phân giải chuyển qua các lớp phân tích rõ ràng:

• Nhập tính năng & Phân tích cú pháp ngữ nghĩa: Hình ảnh được xử lý thông qua một bộ mã hóa thị giác đa phương thức để xác định các chỉ báo địa lý quan trọng, bao gồm kiểu chữ kiến trúc, thiết kế cột điện và tán lá theo vùng.

• Tạo giả thuyết song song: Các tác nhân thị giác phân tích các tín hiệu hình ảnh và tạo ra các khu vực địa lý ứng cử viên.

• Xác minh có sự hỗ trợ của công cụ: Hệ thống có thể truy vấn các công cụ bản đồ, cơ sở dữ liệu địa điểm và hình ảnh cấp đường phố để so sánh bằng chứng trực quan với các điểm tham chiếu đã biết.

• Đối chiếu bằng chứng: Mô hình xác minh đánh giá các giả thuyết ứng cử viên và chọn vị trí có kết quả khớp trực quan mạnh nhất.

Biểu đồ dưới đây minh họa quy trình xác minh khái niệm từ đầu vào hình ảnh đến tọa độ:

[Đầu vào hình ảnh (Đã xóa EXIF / GPS)]
                 │
                 ▼
[Mô hình thị giác đa phương thức] (Phân tích kiến trúc, địa hình, ánh sáng)
                 │
                 ▼ (Giả thuyết ứng cử viên)
[Xác minh bằng công cụ bản đồ ngoài] (Đối chiếu dữ liệu vệ tinh & cấp đường phố)
                 │
                 ▼
[Đối chiếu vị trí] ──> [Tọa độ được suy ra & Kết quả vị trí]

​

Khả năng này mang lại những cân nhắc quan trọng đối với bảo mật kỹ thuật số. Khi các bức ảnh công khai trên mạng xã hội có thể được phân giải thành các tọa độ địa lý cụ thể, những kẻ xấu có thể chuyển từ kỹ nghệ xã hội chung chung sang hành vi lừa đảo mang tính cá nhân hóa cao. kẻ tấn công có thể xác định điểm đến kỳ nghỉ của người dùng từ các bức ảnh công khai và tạo ra các cảnh báo ngân hàng hoặc thông báo đăng nhập trái phép có vẻ hợp lý và phù hợp với vị trí, làm tăng độ tin cậy của các nỗ lực lừa đảo có mục tiêu (spear-phishing).

Thực tiễn tốt nhất & Tiêu chuẩn triển khai tham chiếu trong kiến trúc ưu tiên quyền riêng tư

Sự xuất hiện của việc khôi phục bối cảnh trực quan minh họa cho một nguyên tắc rộng lớn hơn trong kỹ thuật phần mềm: việc xóa các thẻ siêu dữ liệu tường minh không đảm bảo rằng thông tin ngữ cảnh hoàn toàn biến mất. Trong môi trường kỹ thuật số hiện đại, việc truy cập vào các định danh phần cứng bền vững phải đối mặt với các hạn chế về nền tảng và quyền riêng tư ngày càng nghiêm ngặt.

Bảng dưới đây so sánh cách các phương pháp khác nhau xử lý vị trí và bối cảnh trên các hệ thống kỹ thuật số:

Định vị địa lý trực quan cho thấy rằng việc xóa siêu dữ liệu tường minh không nhất thiết loại bỏ tất cả thông tin ngữ cảnh khỏi một tương tác kỹ thuật số. Trong phân phối thiết bị di động và quy đính, một nguyên tắc kiến trúc liên quan là chỉ bảo lưu ngữ cảnh cần thiết cho hành trình của người dùng thay vì dựa vào các định danh thiết bị bền vững. OpoInstall áp dụng cách tiếp cận này đối với liên kết sâu trì hoãn và khôi phục tham số phía máy chủ, cho phép bối cảnh chiến dịch và giới thiệu vượt qua quá trình chuyển đổi từ web sang cửa hàng ứng dụng và vào ứng dụng mà không yêu cầu cùng loại định danh thiết bị bền vững.

Ý nghĩa thực tế & Triển vọng tương lai

Định vị địa lý bằng AI cho thấy việc xóa siêu dữ liệu tường minh không còn đủ để ngăn chặn việc suy luận vị trí từ các hình ảnh công khai. Đối với các kiến trúc sư bảo mật và nhà phát triển, phản ứng thiết thực là giảm thiểu việc phơi bày dữ liệu không cần thiết, tách biệt bối cảnh phiên bắt buộc khỏi các định danh bền vững và sử dụng việc khôi phục bối cảnh phía máy chủ ở những nơi không cần định danh bền vững trên các ứng dụng người tiêu dùng và đường ống dữ liệu doanh nghiệp.

Tài liệu tham khảo

• Nghiên cứu của McAfee: Trí tuệ nhân tạo và Nghiên cứu định vị địa lý hình ảnh

• The Guardian: ‘Chúng tôi đã phát hiện hoạt động bất thường’: Trò lừa đảo sử dụng AI trên ảnh của bạn

• India Today: AI có thể giúp người khác theo dõi vị trí của bạn từ ảnh trên mạng xã hội

• Vòng quanh thế giới trong 80 bước thời gian: Tiếp cận tạo sinh đối với định vị địa lý hình ảnh toàn cầu